Orange Pi AIpro：高性能AI开发板开箱体验及样例测试

是汤圆丫

已于 2024-06-16 17:08:47 修改

阅读量834

点赞数 15

文章标签：人工智能

于 2024-06-16 17:05:14 首次发布

汤圆

本文链接：https://blog.csdn.net/sql520lt/article/details/139722717

版权

文章目录

前言
背景介绍
产品介绍
主要参数配置
AI处理器——昇腾310 NPU
模型训练预测
加载resnet50模型
真实动物测试
虚拟动物测试

前言

随着人工智能和物联网技术的迅速发展，单板计算机（Single Board Computer, SBC）在创客和开发者社区中越来越受欢迎。作为一名公司研发工程师，我最近入手了一款高性能的单板计算机——Orange Pi AIpro。

背景介绍

我们的团队一直致力于开发智能化解决方案，探索各种高效的硬件平台以推动项目进展。近日，我们有幸受邀评测香橙派推出的最新AI开发板——Orange Pi AIpro。这款开发板是香橙派与华为合作的成果，内置了华为自研的昇腾310 NPU（Neural Processing Unit），基于达芬奇架构，为AI开发提供了强大的支持。

Orange Pi AIpro的引入为我们的研发工作带来了新的契机。相较于以往使用的设备，昇腾310 NPU具备更高的计算能力和能效比，使我们能够更高效地进行深度学习和推理任务。此外，华为昇腾社区提供了丰富的资源和课程，大大降低了学习和开发的难度，助力我们更快地上手并开展项目。

本文将为零基础用户提供详细的开箱体验和Orange Pi AIpro的产品介绍，帮助大家快速掌握其基本使用方法，并了解昇腾生态的强大之处。我还会展示几个简单的AI样例，分享我们的探索过程和心得体会，希望能让大家更好地了解这款强大的AI开发板。

产品介绍

首先，让我们来看看Orange Pi AIpro的全貌。这款开发板设计精美，功能强大。

在这里插入图片描述

主要参数配置

处理器：搭载华为昇腾310 NPU，支持高效的人工智能计算，适用于深度学习和推理任务。
内存：8GB LPDDR4内存，确保多任务处理和数据密集型应用的流畅运行。
存储：提供eMMC存储接口和MicroSD卡插槽，方便用户扩展存储空间。
接口：丰富的接口配置，包括USB 3.0、USB 2.0、HDMI、以太网口、音频输出、GPIO等，满足多种外设连接需求。
网络：内置千兆以太网接口和Wi-Fi模块，支持高速网络连接和无线传输。
操作系统：兼容多种操作系统，包括Ubuntu、Debian和Android，提供广泛的软件支持和开发环境。

AI处理器——昇腾310 NPU

昇腾310 NPU简介
Orange Pi AIpro的核心是Atlas 200计算模块，该模块集成了华为昇腾310处理器，为端侧部署深度学习推理应用提供了高效的计算能力。昇腾310的主要特点如下：

高效能低功耗：昇腾310采用7nm工艺制造，拥有高效的能耗比，在提供强大计算能力的同时保持较低的功耗，非常适合嵌入式和边缘计算应用。
强大计算能力：昇腾310能够提供多达16 TOPS（Tera Operations Per Second）的整数计算能力和8 TFLOPS（Tera Floating Point Operations Per Second）的浮点计算能力，能够高效处理复杂的深度学习模型。
丰富的接口支持：昇腾310支持多种接口，包括PCIe、I2C、UART等，方便与各种外设进行连接，适用于广泛的应用场景。
全场景AI支持：昇腾310支持图像处理、语音识别、自然语言处理等多种AI任务，提供灵活的AI推理能力。
优秀的开发工具：昇腾310配备了丰富的开发工具和软件生态，包括华为的MindSpore、TensorFlow、PyTorch等主流深度学习框架的支持，使开发者能够快速上手并进行模型训练和部署。

模型训练预测

在本文中选取了常见的四种动物数据（猫、狗、马、鸡），文件夹结构如下图所示。
在这里插入图片描述

在完成数据集的收集准备后，打开jupyter notebook平台，导入数据集通过以下代码可以计算出数据集的总图片数量。本次使用的数据集总图片为4000张。

import pathlib

data_dir = "./dataset/"
data_dir = pathlib.Path(data_dir)
image_count = len(list(data_dir.glob('*/*')))
print("图片总数为：",image_count)

然后划分TensorFlow的image_dataset_from_directory方法划分测试集和训练集。再构建模型。在本文中如下图所示

加载resnet50模型

model = keras.applications.ResNet50(weights='imagenet', include_top=True)

这段代码的目的是使用Keras库加载预训练的ResNet50模型，并将其应用于图像分类任务。

具体解释如下：

keras.applications.ResNet50: 这是Keras库中的一个函数，用于加载ResNet50模型。ResNet50是一个已经定义好的模型架构，包含了数十个卷积层、池化层和全连接层，用于图像分类任务。
weights=‘imagenet’: 这个参数指定了模型所使用的权重。'imagenet’是一个大规模的图像数据集，ResNet50在该数据集上进行了预训练，因此通过设置这个参数，我们可以加载已经在该数据集上训练好的权重。这样的预训练权重可以提供较好的特征表示能力，有助于提升模型在图像分类任务上的性能。
include_top=True: 这个参数指定是否包含模型的顶层（即全连接层）。当设置为True时，加载的模型将包含原始ResNet50模型的所有层，包括最后的全连接层，用于输出分类结果。如果我们只需要使用ResNet50的特征提取能力而不需要分类层，则可以将该参数设置为False。

然后开始训练，其训练过程如下图所示